编辑推荐：
本文在《Nature Neuroscience》发表了题为“A neural signature of adaptive mentalization”的研究。研究团队针对大脑如何动态调整心智化策略以预测他人行为变化这一关键问题，通过计算建模与fMRI相结合的手段，利用重复性战略游戏（如改进版石头剪刀布）展开探索。他们发现，多数参与者能根据对手策略的复杂性自适应地调整自身策略，并在分布式脑网络中找到了追踪这种心智化-信念更新（BU）的活动与功能连接模式。更重要的是，研究者成功构建了一个能从神经活动中预测个体心智化信念更新的“神经特征”，这为理解心智化的神经基础、评估健康与临床人群的社交能力提供了新方法。
在纷繁复杂的社会交往中，揣摩他人心思是项必备技能。这项被称为“心智化”的能力，让我们得以推断他人的意图、信念和情感，是维系人际关系、应对商业谈判乃至理解政治格局的基石。然而，以往多数神经科学研究侧重于静态的心智化策略，比如经典的“错误信念任务”，这些任务测量的是个体在特定情景下应用一种固定策略的能力。但现实社交是动态变化的，对手的思考方式和行为策略会不断调整。一个更深刻但悬而未决的问题是：大脑如何能在任何给定时刻，自适应地选择并切换最合适的心智化策略？这正是当前研究面临的挑战与空白。
为解决这一核心问题，Buergi等人及其团队在《Nature Neuroscience》上发表了一项创新性研究。他们构建了一个整合计算建模与功能磁共振成像的实验框架，旨在揭示自适应心智化的神经计算机制。研究团队引入了一个名为“认知层次评估”的计算模型，该模型能够从参与者在互动战略游戏中的选择行为，实时推断其心智化策略的动态变化。研究者发现，尽管存在显著的个体差异，但大多数参与者确实能够根据对手策略复杂性的变化来调整自己的策略。通过模型引导的fMRI分析，他们识别出了一个分布式脑网络，其活动和连接能够追踪这种心智化相关的信念更新。最引人注目的是，个体对他人思维复杂程度的信念更新程度，能够直接从其神经活动中被预测出来，这为“自适应心智化”提供了一个强有力的神经特征。这项研究不仅阐明了心智化能力的神经基础，也为评估健康和临床人群的这种能力提供了一种新方法。
为开展此项研究，作者主要运用了以下几项关键技术：首先，设计了基于改进版石头剪刀布的重复性战略互动游戏任务，参与者与校准过的人工智能对手或真人对手在线对战。其次，开发了名为“认知层次评估”的计算模型，该模型整合了行为经济学中的认知层次理论与神经科学的强化学习规则，用于从行为数据中动态估计参与者对对手策略水平的信念更新。最后，结合功能性磁共振成像技术，在参与者执行任务时同步采集其脑活动数据，并运用基于模型的分析方法（包括单变量激活分析和多变量模式分析）以及种子点功能连接分析，来探究与自适应心智化相关的神经机制。研究的参与者来自多个独立的数据集，总计超过550人。
研究结果
通过CHASE模型表征自适应心智化
研究团队开发的CHASE模型旨在捕捉动态重复游戏中的自适应心智化过程。该模型基于一个核心观察：在石头剪刀布等游戏中，如果存在一个非策略性玩家可能偏好的“显眼”动作，策略性玩家会系统性地试图智胜对方。模型模拟了玩家如何通过追踪对手历史动作频率、进行递归推理，并最终整合证据以更新关于对手“思维层次”的信念。模型输出的一个关键指标是“对手层次信念更新”，量化了玩家在每轮游戏后对对手策略认知的调整幅度。
参与者无法区分人类与人工智能对手
为确保能检测到人们如何适应不同心智化能力的对手，研究团队基于CHASE模型的简化版本构建了人工智能对手。通过类似图灵测试的设置，他们证实参与者无法在行为上区分人类对手和人工对手，这为使用人工对手进行可控实验提供了基础。
参与者追踪动作频率以预测非策略性玩法
通过九个子研究的数据，研究者比较了多种可能的“零级策略”模型。模型比较结果明确支持，参与者主要基于观察到的动作频率（而非奖励）来预测非策略性玩家的行为，这为CHASE模型中的基础学习规则提供了实证支持。
CHASE模型优于现有替代模型
在涵盖多种游戏环境的大样本行为数据中，CHASE模型在解释参与者行为方面显著优于其他现有模型，如强化学习、虚拟行动、经验加权吸引力模型等。模型恢复分析和后验预测检查进一步证实，CHASE模型能够独特地捕捉到参与者适应不同对手策略的定性行为特征。
参与者能适应对手的思维复杂度水平
当面对固定在不同思维层次的人工智能对手时，参与者表现出了成功的适应性。无论是从模型无关的游戏得分，还是从模型推断出的策略使用来看，大多数参与者都能针对不同复杂度的对手（层次0、1、2）调整并采用相应正确的应对策略。模型参数γ控制了玩家对对手策略信息的敏感度，也即信念更新的强度，该参数存在显著的个体差异。
fMRI结果
与心智化策略评估和适应相关的脑区
功能磁共振成像实验进一步揭示了与CHASE模型计算相关的神经活动。在决策阶段，所选动作的主观价值与腹内侧前额叶皮层、背内侧前额叶皮层等脑区的活动相关。在反馈阶段，基于动态信念的动作预测误差与右侧颞顶联合区、背侧前扣带回皮层、右侧背外侧前额叶皮层和右侧前脑岛的活动相关。最重要的是，反映对手层次信念更新的信号与双侧颞顶联合区、前脑岛/腹外侧前额叶皮层、背内侧前额叶皮层的活动增强，以及腹内侧前额叶皮层的活动减弱相关。这些结果表明，颞顶联合区等社交脑区不仅参与静态的心智化推断，更参与了心智化策略的灵活评估与自适应更新。
个体策略敏感性与分布式神经过程相关
研究者发现，模型参数γ与右侧颞顶联合区在社交脑网络内的功能连接强度相关。γ值更高的个体（即对对手策略信息更敏感），其右侧颞顶联合区与包括前脑岛、背外侧前额叶皮层在内的多个社交脑区之间的功能连接更强。这表明，自适应心智化的个体差异可能源于社交脑网络的功能整合程度，而非单个脑区的激活强度。
对手层次信念更新可从神经活动中解码
研究者采用多变量机器学习方法，成功地从全脑神经活动中解码出参与者在每轮游戏中所使用的主要策略层次。更重要的是，他们构建了一个神经特征，能够以高精度（主样本平均相关系数r=0.82）对模型衍生的“对手层次信念更新”进行留一交叉验证预测。这个神经特征不仅依赖社交脑网络，也涉及全脑分布的精细空间模式，其中右侧颞顶联合区和双侧前脑岛等区域贡献显著。
在独立数据集中的验证
研究结果在一个人口统计学上更多样化的独立样本中得到了成功验证。关键的单变量脑激活结果、功能连接分析结果均被重复。更重要的是，利用主样本训练得到的神经特征，能够在该独立样本中成功预测其信念更新（平均相关系数r=0.67），表明该神经特征具有跨样本的稳健性和泛化能力。
结论与讨论
这项研究提出了一个关于自适应心智化的新解释，并提供了实证支持。研究表明，个体能够灵活调整自己的心智化策略以适应他人的动态策略，而CHASE模型在捕捉这种能力上优于现有模型。神经影像学发现将右侧颞顶联合区等功能与心智化策略的动态评估和更新联系起来，超越了以往将其与静态信念归因相关联的观点。研究还揭示，个体对对手策略的敏感度差异与社交脑网络（特别是右侧颞顶联合区）的功能整合程度相关。
本研究最突出的贡献在于，构建了一个能够从神经活动中高精度预测个体心智化信念更新的多变量神经特征。这个特征的成功构建及其在独立样本中的有效验证表明，它可能作为一种潜在的神经标志物，用于未来对健康与临床人群（如自闭症谱系障碍患者）社交认知能力的无创评估与诊断。该研究为理解人类如何在社会互动中进行灵活、动态的心智推理提供了新的计算与神经框架，将社交认知研究从静态策略的评估推向了对自适应过程的探索。
